目前,全球风电产业已进入快速发展时期,在役风电机组数量逐年增加。然而,由于复杂的外界环境条件、不完备的设计和制造等因素的干扰,风电机组会出现性能退化甚至发生严重故障事故。风电齿轮箱作为风电机组设备中的关键传动部件,由于故障导致的停机时间长和维修成本高,成为了智能运维中的重点关注部件。风电齿轮箱健康状态直接影响到风电机组使用寿命,因此对风电齿轮箱进行智能健康状态评估是一个重要的研究课题。风电齿轮箱健康状态评估通常需要采用SCADA监测系统收集的多源缓慢信号来全面监测风电齿轮箱的运行状态,当监测指标超过健康阈值时,CMS监测系统收集的高频振动信号被用于结合故障识别方法对齿轮箱进行准确的诊断分析。相较于传统的信号分析方法和机器学习方法,深度学习方法作为极具潜力的大数据智能分析处理方法,通过构建深层模型可以自动提取复杂工况数据的非线性特征以及端到端完成监测诊断任务,为风电齿轮箱的健康状态评估提供可靠的分析工具。但是,复杂的风电齿轮箱结构与多变的工况条件使得多传感器采集到的特征信息存在不同程度的差异,由于网络结构的限制,现有的深度学习方法难以对蕴含在多传感器信号中的特征信息进行有效融合,这使得风电齿轮箱的健康状态评估误差较大,无法满足智能运维需求。针对上述问题,本文开展了基于多源信息深度融合的风电齿轮箱健康状态评估方法研究。论文主要研究内容如下:（1）针对风电齿轮箱多源信息融合状态监测中的语义信息缺失、多步预测精度差问题,提出了一种SCADA数据完全记忆融合的风电齿轮箱状态监测方法。首先,该方法采用Pearson方法计算关联系数以从SCADA变量中筛选出高相关变量,接着采用开发的语义记忆体与上下文记忆体分别记录高维语义信息和上下文变化特性,随后通过门控循环单元构成的主体结构融合时间特征并进行多步预测,最后将最小预测偏差作为状态监测指标并利用控制图实现风电齿轮箱的状态告警。（2）针对风电齿轮箱多源信息融合故障识别中的信息冗余化、特征低效化问题,提出了一种振动数据动态稀疏融合的风电齿轮箱故障识别方法。该方法首先采用小波包变换将振动信号转化为时频域特征,接着通过构造的轻量通道注意力单元提高网络从冗余信息中提取特征的能力,随后提出的门控动态稀疏单元被用于自适应滤除多传感器时频信息中的低效成分,最后通过改进的损失函数以正确引导网络训练与提高故障诊断的识别率。（3）基于国内某风电运营商开发的风电预警诊断平台,开发专业分析算法库,并以数据建模的方式规范风电齿轮箱数据形态形成运维数据仓库体系,最后在系统上完成所开发深度学习模型的部署,开展风电齿轮箱健康状态评估应用。最后对本文的研究内容、工程应用以及存在的局限性进行了总结,并展望后续工作。